Recommended
Recommended
More Related Content
What's hot
What's hot (20)
Similar to 【東工大・鈴木良郎の論文紹介】10万枚の網膜画像を 1枚も誤判定なく異常判定可能なAI（論文の原題：Deep learning achieves perfect anomaly detection on 108,308 retinal images including unlearned diseases）
Similar to 【東工大・鈴木良郎の論文紹介】10万枚の網膜画像を 1枚も誤判定なく異常判定可能なAI（論文の原題：Deep learning achieves perfect anomaly detection on 108,308 retinal images including unlearned diseases） (20)
More from ssuser1bf283
Recently uploaded
Recently uploaded (16)
【東工大・鈴木良郎の論文紹介】10万枚の網膜画像を 1枚も誤判定なく異常判定可能なAI（論文の原題：Deep learning achieves perfect anomaly detection on 108,308 retinal images including unlearned diseases）
- 1. 1 本稿の内容 『10万枚の網膜画像（未学習の疾患を含む）を 1枚も誤判定なく異常判定可能なAI』のご紹介 1. 【画像検査AI】にご興味をお持ちの方へ（医療、産業） 2. 【画像検査AI】の共同研究をご検討頂いている方へ… 3. 鈴木良郎が開発した【網膜画像診断のAI】の性能紹介 4. 【上記AI】の開発の道のり（当ラボ志望の学生の方へ） 5. 工学系学生の方へ伝えたいこと D 東京工業大学 鈴木良郎 2020/2/17 Web:.iamonewitht https://www.iamonewi ththeforce.net/blank-9
- 2. 2【はじめに】 画像検査AIにご興味を お持ちの方へ（医療、工業製品の画像検査）D 医療関係者の皆さまへ ⚫ 本AIは「網膜OCT画像」に対し、疾患の有無のみを判定します ⚫ 疾患名の特定はできませんが，疾患看過率が非常に低いです（少なくとも網膜 OCT画像に関しては世界トップ） ⚫ 疾患看過率が低いため、健診などの「膨大数の画像を診断しなければならな い」かつ「その多くが正常」というケースに力を発揮します． ⚫ つまり，「本AIが異常と判定した画像のみを医師がチェックして疾患を特定すれ ばよい」ということを最終ゴールに掲げております． ⚫ 言い換えると「本AIが正常と判定した画像は医師がチェックしなくて良い」＝「医 師の負担減」≒「健診料減額による途上国への検査の普及」が最終ゴールです． ⚫ また学習していない疾患も「異常」と判定できます（6ページをご参照） ⚫ 本AIは他の医療画像にも転用できます（学習用画像データがあれば…） ⚫ また“人種の壁”を超えられる可能性が示唆されています．外国人画像（＋わず かな日本人画像は必要）を学習すれば，日本人画像を診断可という結果も出て おります（←こちらは未発表のため詳細はご紹介できないのですが…） 2020/2/17 東京工業大学 鈴木良郎
- 3. 3 D 製造業（産業界）の皆さまへ ⚫ 本AIは、工業製品の製造欠陥検査にも転用できます 【共同研究をご希望頂ける方へのお願い（医療・産業とも共通）】 本AIと類似のAIは世界中で開発されていますが、本AIは「こと網膜OCT画像に関しては、世 界最小の異常看過率」であることから、皆様の画像検査のお役に立てるかもしれません．もし も共同研究をご希望頂ける場合は、下記をご連絡下さい． 1. 検査したい画像（正常画像，異常画像とも10枚程メールでご送付下さい） 2. 異常の種類の数，異常部の大きさ（どの程度小さな異常部を検知したいか） 3. ご提供頂ける正常画像と異常画像の枚数（すぐにご提供頂け枚数と、将来的にご用意頂 ける枚数（例：〇カ月後に△枚）のどちらもお教えください） 4. 共同研究の希望理由：数行で十分でございます．「社会貢献度」 > 「貴社の利益」 ＝ 「鈴 木やその指導学生の利益」という優先順位を、理念として生きております． メール送付先： 東京工業大学・鈴木良郎 ⚫ 上記1～4が揃っていない場合はお返事できません．大変申し訳ございません． ⚫ 上記1～4が揃っている場合でもお返事できない場合がございます（多忙かつ体が弱いた め）．10日以内にお返事が届かない場合は，「鈴木が私のAI技術ではお役に立てないと判 断した」とお考え頂けますと幸甚でございます．本当に申し訳ございません． 【はじめに】 画像検査AIにご興味を お持ちの方へ（医療、工業製品の画像検査）
- 4. 4 本研究の目的 鈴木良郎の過去最大成果「医療画像診断AI 開発」の道のり（ ） • 網膜OCT画像の異常を検知するAIを開発し 実用化水準を突破したい（疾患の有無のみ 判定し，疾患名は特定しない） • 未学習の疾患も検知したい • 学習データセットと完全に独立なデータセット も異常検知できるようにしたい 達成 達成 達成 D 全研究目的を達成して実用化レベルのAIを構築できた ※本AIの技術的な詳細は，本稿の本筋と無関係のため割愛します ※技術的詳細は右記論文をご参照： https://arxiv.org/abs/2001.05859 ※論文題目の和訳：10万枚の網膜画像を1枚も誤判定なく異常判定可能なAI 一言でいうと… 本稿は元々，当ラボ生向けに作った資料です お見苦しい点は、お許し頂けますと幸甚です
- 6. 6 学習データ： 正常+疾患1種 （残りの2疾患は学習しない） テストデータ：正常+全疾患（3種） 検証方法：4分割交差検証 検証結果： 全画像の疾患の有無を完璧に正しく判定できた． → 57,172枚の異常画像を1つも看過することなく，かつ，51,140枚 の正常画像を1つも誤判定することがなかった．すなわち ⚫ 正常とDMEを学習するだけで，DMEだけでなく，CNVとdrusenも検知可 ⚫ 正常とCNVを学習するだけで，CNVだけでなく，DMEとdrusenも検知可 ⚫ 正常とdrusenを学習するだけで，drusenだけでなく，DMEとdrusenも検知可 検証1 未学習の疾患を検知できるか？ 計108,312枚のOCT画像 正常：51,140枚 DME：11,349枚 CNV：37,206枚 drusen：8,617枚 使用するデータセット：データセットα 未学習の網膜疾患も含め完璧に正しく検知できた 網膜画像に限らず、こんな完 璧なAIは世界に類がない
- 8. 8本AIの性能のまとめ 入力 出力AIモデル (Deep Learning) 網膜OCT画像の異常検知では世界トップの性能（2020年2月時点） ⚫ 「未学習の疾患」の正常or異常を完璧に判定可能 ⚫ 学習データとテストデータが完全に独立な場合でも 完璧に判定可能 Output 異常の有無の 判定結果 AUC=1.00000 10万枚の画像 を完璧に正しく 判定できた DL 最新のCNN （DenseNet） 弱教師あり学習 距離学習 データ増強 網膜OCT画像 Input https://www.kaggle.com/paulti mothymooney/kermany2018 疾患3疾患2 疾患1正常 実用化水準 達成 つまり
- 11. 11 世界の失明者を激減させる（途上国には 無償で）という人類貢献を1度でもしたい! 「自分は、これをするために生まれてき た」と思える圧倒的な人類貢献を! ⚫ 掲載されれば実用化に近づく（何としても実用化したい!!） ⚫ 優秀な学生が研究室に集まる ⚫ 強力な共同研究先が見つかる ⚫ 研究費を獲得しやすくなる 今後の本成果のプロモーション https://arxiv.org/ abs/2001.05859 個人的に、本研究に携わる最大の理由 現在査読中ですがこちら から閲覧可です．査読先 から公開許可を確認済み ■本成果の論文を執筆中（追記：執筆終わりました ） ⚫ 何とか世界三大論文誌(Nature, Science, Cell)に掲載 させたい → きっとたくさん苦労するがやりきりたい ⚫ 論文公開と同時にプレスリリースで発信予定 → 実用化を早めるために広く知って頂きたい → 途上国の失明者(と視野一部欠損者)を激減できるはず
- 13. 13学生の方へ 伝えたいこと ⚫ 鈴木自身の手で「本稿のAI」のコード作成を始めたのは約1年前 → 1年で人生は変えられる ⚫ 皆と同じルール（前提，常識）で競ってしまうと辛い（差別化が困難） 例： 就活 大学受験 企画コンペ 価格競争 ⚫ 常識を捨てルールを変えれば、確実な勝ち筋が見えることがある 例4: 数百人規模の企画コンテスト（プレゼン大会）で優勝したい → youtube参照．皆が企画案を披露する中,1人だけ実証結果を披露して優勝 例2: 超人気企業Google AIに就職したい → 機械学習関連で大きな成果を出してトップ学会（ICLR, NeurIPS, CVPR, SIGGRAPH等）に論文を筆頭著者で投稿．さらにGithubでコード公開 （Google AIは上記学会の論文を採用時に考慮すると明記しています） 例3: 大手自動車会社に就職したい → 新車形状を自動生成するAIを開発し，トップ学会に論文掲載し，コードを githubに投稿 → ほぼ確実に採用（そんな就活生はほぼ存在しないから） 例1:世界最高性能の医療AIを開発して世界トップ誌に論文掲載 → 東工大機械系ラボが「医療AIの実用化」を目指す → 開発したAIを、機械産業にも転用可 → 高希少性を持つラボになれる!
- 14. 14 データサイエンスや機械 学習に興味がありAIにつ いても勉強しています． 〇〇という本を読んだり △△というスクールに通っ たりしています． 〇〇を行うAIを開発して， △△誌に筆頭著者で論文 を掲載しました．コードは githubにアップしています のでよかったらご覧になっ てください． こんな就活生はめったにいないので採 用されやすい．インプットではなくアウト プットで争う競技へルール変更すれば よい．Google AIはトップ学会の論文掲 載を採用時に考慮すると明記している インプットを語るのは，皆が注力 する点（皆共通のルール）．この ルールで競うと差別化は困難． ⚫ インプットしたことを語る人 < アウトプットしたことを語る人 ⚫ まとめ • 1年で人生は変えられる • そのために皆と違うルールで勝負する道を探すのもよい • たくさん挑戦して失敗して1つ成功すればよい. 挑戦し続ける人 は極わずか.続けるだけでいつの間にか特別な人になっている • このラボで特別な時間を過ごし，特別な人生を歩んでください． 学生の方へ 伝えたいこと